-
题名基于深度学习的工业轴承缺陷检测算法研究
被引量：2
- 1
-
-
作者
张彪
荀荣科
许家忠
-
机构
哈尔滨理工大学自动化学院
黑龙江省复杂智能系统与集成重点实验室
-
出处
《仪器仪表学报》
北大核心
2025年第4期136-149,共14页
-
文摘
针对现有轴承缺陷检测算法准确率低、存在误检以及漏检现象严重的问题,为解决这些问题,提出了一种基于YOLOv8n的轴承缺陷检测算法(LASW-YOLOv8)。该算法在YOLOv8n的基础上,引入了轻量化且高效的LiteShiftHead检测头,结合SPConv、REG和CLS模块,提升了特征提取、目标框回归和类别分类的效率与准确性。此外,算法还引入了自适应旋转卷积核模块(ARConv),增强了对多方向缺陷的检测能力;颈部网络优化模块(SAF)进一步提升了特征提取效率;同时采用Inner-WIoU损失函数,通过优化边界框定位精度并增强对小目标及复杂形状缺陷的检测能力。实验结果表明,LASW-YOLOv8算法在多个性能指标上优于其他主流算法。该算法的准确率和召回率分别提升至97.2%和96.6%,相较于YOLOv8n分别提高了3.4%和4.5%。同时,mAP0.5和mAP0.5:0.95分别达到了98.9%和73.3%,并且在运行速度上实现了83 fps。这些结果充分证明了所提改进算法的有效性,不仅能有效减少误检和漏检现象,还满足了工业检测对高准确率和实时性的要求。此外,在东北大学公共数据集(NEU-DET)的实验中,LASW-YOLOv8算法在准确率、召回率、mAP0.5和mAP0.5:0.95这4个关键指标上均表现最佳,分别为79.3%、79.9%、84.1%和49.1%,优于其他主流算法。这一表现证明了LASW-YOLOv8算法具有出色的泛化能力和鲁棒性。
-
关键词
轴承缺陷检测
LASW-YOLOv8
LiteShiftHead
ARConv
inner-wiou损失函数
-
Keywords
bearing defect detection
LASW-YOLOv8
LiteShiftHead
ARConv
inner-wiou loss function
-
分类号
TH701
[机械工程—精密仪器及机械]
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于YOLO-RSI算法的钢材表面缺陷检测
- 2
-
-
作者
乔庆元
骆晓玲
程换新
于沙家
-
机构
青岛科技大学自动化与电子工程学院
青岛科技大学机电工程学院
-
出处
《组合机床与自动化加工技术》
北大核心
2025年第5期145-149,155,共6页
-
基金
国家自然科学基金项目(62273192)。
-
文摘
针对现有钢材表面缺陷检测算法存在的误检、漏检率高及检测效能差的问题,提出一种改进的钢材表面缺陷检测算法YOLO-RSI。首先,将RFAConv与常规卷积结合,设计一种新的下采样模块RCDP,可以考虑到每个特征的重要性,使上下文信息更加完整;其次,提出了SD-FPN特征金字塔网络结构,通过添加下采样模块、加权特征融合方法以及多条跨尺度连接通路来增强模型多尺度特征融合能力,获取更丰富的特征信息;最后,将Inner-IoU应用至WIoU Loss中,提出了Inner-WIoU替换CIoU作为边界框损失函数,提升模型的泛化性能。在NEU-DET上的实验结果表明:改进算法的mAP50为81.2%,较YOLOv8n提升了3.2%,参数量降低了25%,每秒检测帧数提升了7,有效避免了漏检、误检的问题,可以满足实际工业部署的需求。
-
关键词
钢材表面
缺陷检测
YOLOv8
RCDP
SD-FPN
inner-wiou
-
Keywords
steel surface
defect detection
YOLOv8
RCDP
SD-FPN
inner-wiou
-
分类号
TH161
[机械工程—机械制造及自动化]
TG659
[金属学及工艺—金属切削加工及机床]
-
-
题名跨尺度特征融合的无人机小目标检测算法
被引量：3
- 3
-
-
作者
罗显志
汪航
-
机构
湖北大学人工智能学院
-
出处
《计算机工程与应用》
北大核心
2025年第14期135-147,共13页
-
基金
湖北省自然科学基金面上项目(2024AFB933)。
-
文摘
针对目前无人机小目标检测任务中存在的多尺度、目标小、复杂背景干扰、易受遮挡等问题,提出一种复合特征融合与跨尺度优化的YOLOv11n改进模型,在骨干网络中提出MPCA(multiscale perceptual cascade attention)机制改进卷积模块,解决传统卷积特征表达能力不足的同时,在较低计算成本下显著提升网络的特征提取能力;提出全新的EMSFPN(efficient multi-scale FPN)结构改进颈部网络,使不同层级的特征得以相互融合。在改进颈部网络模型的基础上,增加具有丰富小目标语义信息的特征层;使用SBA(selective boundary aggregation)模块对多分辨率特征进行交互融合,提升模型的多尺度处理能力;引用Inner-IoU损失函数的思想改进Wise-IoU函数,用Inner-WIoU替代原损失函数,提升对小目标的定位精度,优化损失值计算。改进后YOLOv11n算法在VisDrone2019数据集上相对原始模型参数量减少9.8%,mAP50显著提升了9.1个百分点,性能超过YOLOv11s,在实现模型轻量化的同时,大幅度提升了性能。
-
关键词
YOLOv11n
无人机(UAV)
小目标检测
多尺度特征融合
inner-wiou
-
Keywords
YOLOv11n
unmanned aerial vehicle(UAV)
small target detection
multi-scale feature fusion
inner-wiou
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于改进YOLOv8n的白酒包装缺陷检测
- 4
-
-
作者
贺刚健
曾水玲
林方聪
向硕
张嘉雄
-
机构
吉首大学通信与电子工程学院
-
出处
《食品与机械》
北大核心
2025年第11期215-224,共10页
-
基金
国家自然科学基金项目(编号:61966014)
湖南省自然科学基金项目(编号:2024JJ7413)
湖南省研究生科研创新项目(编号:LXBZZ2024310)。
-
文摘
[目的]提高白酒包装缺陷检测准确率。[方法]提出了一种基于改进YOLOv8n的检测模型。在模型中引入ADown模块,有效减少了模型的参数量和计算量,同时保持了原有的特征提取能力;通过将大型可分离核注意力(LSKA)融入快速空间金字塔池化(SPPF)结构,进一步提升了模型对多尺度特征的捕捉和提取能力;将原有的CIOU损失函数替换为Inner-WIoU损失函数,将Inner-IoU与Wise-IoU相结合,在提升检测精度的同时加快模型收敛速度。[结果]在自制的白酒包装数据集上,改进后的YOLOv8n模型平均精度达86.4%,较原始模型提升了5.2%,参数量减少了4.9%,计算量降低了6.6%。[结论]该模型能够满足对白酒包装的实时检测要求。
-
关键词
缺陷检测
YOLOv8
inner-wiou
ADown
大型可分离核注意力
-
Keywords
defect detection
YOLOv8
inner-wiou
ADown
large separable kernel attention
-
分类号
TS261.4
[轻工技术与工程—发酵工程]
TP183
[自动化与计算机技术—控制理论与控制工程]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
